Gráficos II
Rafael N. Magalhães
23-10-2023
Primeiros passos
Vamos usar uma base de dados sobre características de carros para ilustrar o passo-a-passo da montagem de um gráfico. Depois, aplicamos os mesmos princípios a uma base que seja mais interessante.
head(mpg)Vamos verificar associação entre o tamanho do motor de um carro
(displ) e a eficiência do uso de combustível
(hwy).
Para fazer o gráfico, basta indicar para o ggplot qual é a base de
dados (data), qual é o tipo de função
(geom_point) e quais são as variáveis dos eixos x e y
(mapping).
mpg %>% ggplot() + # gráfico-base
geom_point(mapping = aes(x = displ, y = hwy)) # insere uma camada de pontos
Incluindo mais informações em uma camada
A base de dados mpg tem uma variável
(class) com o tipo de carro: “compacto”, “SUV”, etc.
Podemos incluir essa informação, colorindo cada classe.
mpg %>% ggplot() +
geom_point(mapping = aes(x = displ, y = hwy, color = class))
Cuidado com o que vai dentro e fora dos parênteses
Se você quiser pintar todos os pontos de verde, independentemente do tipo de carro, o código vai ter uma diferença que, a princípio, parece sutil.
mpg %>% ggplot() +
geom_point(mapping = aes(x = displ, y = hwy), color = "darkgreen")
Cuidado com o que vai dentro e fora dos parênteses
Veja a diferença! O que aconteceu?
mpg %>% ggplot() +
geom_point(mapping = aes(x = displ, y = hwy, color = "darkgreen"))
Incluindo mais uma camada
Pode ser que, mesmo dando uma cor pra cada categoria de carro, você
tenha achado que a diferença não ficou tão clara. Uma opção é colocar
cada categoria em sua própria escala, oque podemos fazer com a função
facet_wrap()
mpg %>% ggplot() +
geom_point(mapping = aes(x = displ, y = hwy)) +
facet_wrap(~ class, nrow = 1)
Mais de uma informação em um mesmo gráfico
A inclusão de nova camadas também serve para colocar elementos
diferentes no gráfico. Se quisermos traçar uma curva de ajuste no
gráfico original, basta adicionar o elemento
geom_smooth()
mpg %>% ggplot() +
geom_point(mapping = aes(x = displ, y = hwy)) +
geom_smooth(mapping = aes(x = displ, y = hwy), se = FALSE)
Gráfico original
mpg %>% ggplot() +
geom_point(mapping = aes(x = displ, y = hwy))
Preto e branco
mpg %>% ggplot() +
geom_point(mapping = aes(x = displ, y = hwy)) +
theme_bw()
Light
mpg %>% ggplot() +
geom_point(mapping = aes(x = displ, y = hwy)) +
theme_light()
Dark
mpg %>% ggplot() +
geom_point(mapping = aes(x = displ, y = hwy)) +
theme_dark()
Mínimo
mpg %>% ggplot() +
geom_point(mapping = aes(x = displ, y = hwy)) +
theme_minimal()
Clássico
mpg %>% ggplot() +
geom_point(mapping = aes(x = displ, y = hwy)) +
theme_classic()
Gráfico de barras simples
O código para um gráfico de barras segue o mesmo raciocínio dos
gráficos anteriores, e você perceberá que a única coisa que precisamos
mudar é o tipo de função usada para mapear os dados: em vez de
geom_point(), usamos geom_bar().
diamonds %>% ggplot() +
geom_bar(mapping = aes(x = cut))
Cálculo de estatísticas
Diferentemente do gráfico de dispersão, não precisamos indicar em nenhum lugar a variável que contém o número de diamantes para cada tipo de corte (até porque essa variável não existe no banco de dados!).
O ggplot() reconhece que, quando usamos
geom_bar(), a estatística relevante é a
contagem dentro de cada categoria, e faz esse cálculo
automaticamente. Outras funções calculam outras estatísticas por padrão
(você pode consultar, em ?geom_bar, o argumento
stat).
Cálculo de estatísticas
Todo gráfico tem uma estatística padrão, mas podemos fazer alterações para relacionar duas variáveis diferentes, por exemplo:
# relação entre o tipo de corte e as dimensões do diamante
diamonds %>% ggplot() +
stat_summary(
mapping = aes(x = cut, y = depth),
fun.min = min,
fun.max = max,
fun = median)
Alterando as cores das barras
Similarmente ao gráfico de pontos, podemos alterar a cor das barras
com o argumento fill
# relação entre o tipo de corte e as dimensões do diamante
diamonds %>% ggplot() +
geom_bar(mapping = aes(x = cut, fill = cut))
Alterando as cores das barras
Similarmente ao gráfico de pontos, podemos alterar a cor das barras
com o argumento fill (mas isso não é muito útil - por
quê?)
# relação entre o tipo de corte e as dimensões do diamante
ggplot(data = diamonds) +
geom_bar(mapping = aes(x = cut, fill = cut))
Definindo cores por claridade
Seria mais útil definir as cores por alguma informação que já não é transmitida pelo gráfico. Por exemplo, discriminando os diamantes pela claridade.
diamonds %>% ggplot() +
geom_bar(mapping = aes(x = cut, fill = clarity))
Ajustando o posicionamento dos elementos
A ideia de preenhimento (fill) é importante porque ela
também pode ser usada para alterar a disposição dos elementos gráficos.
Por exemplo, se quisermos um gráfico de barras com valores relativos,
podemos preencher toda a área de plotagem:
diamonds %>% ggplot() +
geom_bar(mapping = aes(x = cut, fill = clarity), position = "fill")
Ajustando o posicionamento dos elementos
Alternativamente, podemos querer que os elementos gráficos “desviem” (dodge) uns dos outros, de modo a não ficarem empilhados:
ggplot(data = diamonds) +
geom_bar(mapping = aes(x = cut, fill = clarity), position = "dodge")
Definição de coordenadas
Outro modo de alterar a disposição dos elementos no gráfico é alterar suas coordenadas. Vamos voltar ao nosso gráfico de diamantes por corte:
diamonds %>% ggplot() +
geom_bar(mapping = aes(x = cut, fill = cut))
Definição de coordenadas
Uma primeira transformação de coordenadas relativamente óbvia é
tornar as barras horizontais. Para isso, basta usar a função
coord_flip()
diamonds %>% ggplot() +
geom_bar(mapping = aes(x = cut, fill = cut)) +
coord_flip()
Definição de coordenadas
Uma transformação não tão óbvia é fazer com que as barras saiam de um mesmo ponto, com dispersão radial.
diamonds %>% ggplot() +
geom_bar(mapping = aes(x = cut, fill = cut)) +
coord_polar()
Resultado
Eixo X dinâmico
Rastro para os pontos
Países separados por continente
Datasaurus
Temperaturas
